【機器學習系列文章】第6部分:最好的機器學習資源
目錄
製作人工智慧,機器學習和深度學習課程的資源彙編。
關於制定課程的一般建議
去學校參加正式學位課程並不總是可行或可取的。對於那些考慮自學選擇的人,這適合你。
1.建立基礎,然後專注於感興趣的領域。
你無法深入研究每一個機器學習主題。有太多東西需要學習,而且這個領域正在迅速發展。掌握基礎概念,然後專注於特定興趣領域的專案 - 無論是自然語言理解,計算機視覺,深度強化學習,機器人學還是其他任何領域。
2.圍繞個人興奮的主題設計課程。
對於某些長期學術或職業目標而言,動機遠比微觀優化學習策略更為重要。如果你玩得開心,你會快速進步。如果你試圖強迫自己前進,你會放慢速度。
我們已經包含了我們親自探索或強烈推薦的資源。這份清單並非詳盡無遺。有無窮無盡的選擇,太多的選擇會適得其反。但是,如果我們缺少的是屬於這裡一個巨大的資源,請伸手!
基金會
程式設計
線性代數
深度學習書,第2章:線性代數。快速回顧與機器學習相關的線性代數概念。 Nalini Ravishanker和Dipak Dey的線性模型理論第一課程。在統計上下文中引入線性代數的教科書。
概率與統計
麻省理工學院18.05,
微積分
可汗學院:微分學。或者,任何入門微積分課程或教科書。 Stanford CS231n:由Justin Johnson編寫的衍生物,反向傳播和向量化。
機器學習
培訓
Andrew Ng 關於Coursera 的機器學習課程(或者,更嚴格的是斯坦福CS229)。
資料科學訓練營:Galvanize(全職,3個月,$$$$),
教科書
Gareth James等人的統計學習導論。基本機器學習概念的優秀參考,可線上免費獲得。
深度學習
培訓
Deeplearning.ai,Andrew Ng的入門深度學習課程。CS231n:用於視覺識別的卷積神經網路,斯坦福大學的深度學習課程。有助於建立基礎,有吸引力的講座和說明性的問題集。
專案
Fast.ai,一個有趣且實用的基於專案的課程。專案包括對狗與貓的影象進行分類並生成尼采文字。MNIST手寫數字分類與TensorFlow。使用Google的本教程,在3小時內對手寫數字進行分類,準確度大於99%。 在Kaggle比賽中嘗試一下。使用GitHub上的其他版本作為參考資料,實現您感興趣的深度學習論文。
閱讀
深度學習書,又名深度學習聖經,由Ian Goodfellow,Yoshua Bengio和Aaron Courville撰寫。神經網路和深度學習,邁克爾尼爾森的一個清晰易懂的線上深度學習文字。結束關於達到人類智慧的評論。深度學習論文閱讀路線圖,由年表和研究領域組織的主要論文彙編。
強化學習
培訓
John Schulman的CS 294:伯克利的深度強化學習。 David Silver 在倫敦大學學院的強化學習課程。Deep RL Bootcamp,由OpenAI和加州大學伯克利分校組織。應用程式目前已關閉,但值得關注以後的會話。
專案
來自Pixels的 Andrej Karpathy的Pong。在130行程式碼中從頭開始實現Pong-playing代理。 Arthur Juliani使用Tensorflow系列進行簡單強化學習。使用TensorFlow實施Q-learning,政策學習,演員評論方法和探索策略。 請參閱OpenAI 針對更多專案創意的研究請求。
閱讀
Richard Sutton的書,強化學習:簡介。
人工智慧
人工智慧: Stuart Russell和Peter Norvig的現代方法。 Sebastian Thrun的Udacity課程,人工智慧簡介。 獎學金:洞察AI研究員計劃,Google Brain Residency計劃
人工智慧安全
對於簡短版本,請閱讀:(1)Johannes Heidecke的人工智慧風險,(2)OpenAI和Google Brain 在人工智慧安全方面的具體問題上的合作,以及(3)等待但為什麼關於AI革命的文章。 對於更長的版本,請參閱尼克博斯特羅姆的超級智慧。 檢視機器智慧研究所(MIRI)和Future of Humanity Institute(FHI)釋出的關於AI安全性的研究。 在Reddit上與ControlProblem保持同步。
簡訊
匯入AI,每週AI簡報,涵蓋行業的最新發展。由OpenAI的Jack Clark編寫。機器學習,由Sam DeBrule編寫。經常出現在該領域的專家。Nathan.ai,從風險投資的角度報道最近的新聞和對AI / ML的評論。人工智慧的狂野周由丹尼布里茨。標題說明了一切。
別人的建議
“你拿藍色藥丸,故事結束了。你在床上醒來,相信你想要的任何東西。你服用紅色藥丸,你留在仙境,我會告訴你兔子洞的深度。“ - Morpheus
祝你好運!